Powiedzmy, że optymalizujemy model o parametrach , minimalizując niektóre kryterium zastrzeżeniem ograniczenia wielkości wektora parametru (na przykład w celu wdrożenia strukturalnego podejścia do minimalizacji ryzyka poprzez konstruując zagnieżdżony zestaw modeli o coraz większej złożoności), musielibyśmy rozwiązać: f( → θ )θ⃗ fa( θ⃗ )
m i nθ⃗ fa( θ⃗ )s . t .∥ θ⃗ ∥2)< C
Lagrangianem tego problemu jest (zastrzeżenie: Myślę, że to był długi dzień ... ;-)
Λ ( θ⃗ , λ ) = f( θ⃗ ) + λ ∥ θ⃗ ∥2)- λ C.
Można więc łatwo zauważyć, że funkcja kosztów regularyzowanych jest ściśle związana z ograniczonym problemem optymalizacji, przy czym parametr jest powiązany ze stałą rządzącą ograniczeniem ( ), i jest zasadniczo mnożnikiem Lagrange'a. C.λdo
To pokazuje, dlaczego np. Regresja kalenicy wdraża strukturalne minimalizowanie ryzyka: regularyzacja jest równoważna nałożeniu ograniczenia na wielkość wektora ciężaru, a jeśli to każdy model, który można wykonać, przestrzegając ograniczenia, któredo1> C2)
∥ θ⃗ ∥2)< C2)
będą również dostępne pod ograniczeniem
∥ θ⃗ ∥2)< C1 .
Stąd redukcja generuje sekwencję przestrzeni hipotez o rosnącej złożoności.λ